Detection de fraudes bancaires ML et Big Data
•
0 j'aime•189 vues
Meetup SecOps #2 - Talk 2 : "Détection de fraudes bancaires en temps réel avec du Machine Learning et du Big Data" - B. Bouillé Ce talk présente un retour d’expérience des différentes approches expérimentées avec Splunk puis R/Spark/Kafka/Angular pour la détection de fraudes en temps réel. Il commence par un rappel du contexte de la menace, ensuite une synthèse des différentes approches est donnée puis finalement une revue des facteurs clés de succès et d’échec d’une telle aventure est réalisée.
Recommandé
Recommandé
Contenu connexe
Similaire à Detection de fraudes bancaires ML et Big Data
Similaire à Detection de fraudes bancaires ML et Big Data (20)
Detection de fraudes bancaires ML et Big Data
- 1. 1 © OpenSec Consulting Détection de fraudes bancaires en temps réel avec du Machine Learning et du Big Data Talk 2 - Benjamin BOUILLÉ 08/10/2019 Meetup SecOps #2
- 2. 2 © OpenSec Consulting • Introduction • Contexte de la menace • Principe de détection • Retour d’expérience • Facteurs clés • Conclusion O p e n S e c C o n s u l t i n g Sommaire
- 3. 3 © OpenSec Consulting Benjamin Bouillé Parcours : • Consultant principal @ Devoteam • Développeur Big Data @ Capgemini A&D • Consultant sécurité @ Sogeti ESEC (Capgemini) Consultant cybersécurité @ OpenSec Compétences Management Gouvernance Risque Conformité Audit Passion 80% 95% 75% 100% O p e n S e c C o n s u l t i n g Présentation email bbouille@opensec-consulting.eu
- 4. 4 © OpenSec Consulting Ce qu’est ce talk… • Une démystification de la « magie » de l’IA • Une prise de recul sur plusieurs années • Une illustration de la complexité d’un grand groupe • Un rappel de l’importance des personnes maitrisant les données et les techniques O p e n S e c C o n s u l t i n g Présentation … et ce qu’il n’est pas ! • Un présentation précise du monde bancaire • Un exposé des techniques d’attaque • Une méthode de détection et d’investigation • Une étude des technos Big Data • Une comparaison de modèles de ML
- 5. 5 © OpenSec Consulting • Introduction • Contexte de la menace • Principe de détection • Retour d’expérience • Facteurs clés • Conclusion O p e n S e c C o n s u l t i n g Sommaire
- 6. 6 © OpenSec Consulting Application mobile Clients particuliers très actifs sur les équipements mobiles (téléphones, tablettes etc.) Site internet Historiquement le premier canal numérique pour les services bancaires ! Application dédiée Clients professionnels, entreprises et grands comptes disposent de nombreux services sur mesures. O p e n S e c C o n s u l t i n g Contexte de la menace
- 7. 7 © OpenSec Consulting Application mobile Clients particuliers très actifs sur les équipements mobiles (téléphones, tablettes etc.) Site internet Historiquement le premier canal numérique pour les services bancaires ! Application dédiée Clients professionnels, entreprises et grands comptes disposent de nombreux services sur mesures. O p e n S e c C o n s u l t i n g Contexte de la menace Menace: est-ce bien le client légitime qui utilise l’application et non un attaquant qui aurait volé les identifiants de connexion suite à une compromission (phishing, troyen, SE etc.) ?
- 8. 8 © OpenSec Consulting Applications clients Acquisition & traitement Interbancaire O p e n S e c C o n s u l t i n g Contexte de la menace AppAppApp SI de la banque Transfert des fonds
- 9. 9 © OpenSec Consulting • Introduction • Contexte de la menace • Principe de détection • Retour d’expérience • Facteurs clés • Conclusion O p e n S e c C o n s u l t i n g Sommaire
- 10. 10 © OpenSec Consulting Applications clients Acquisition & traitement « Données de navigation » IP, géolocalisation, User Agent , etc. « Données bancaires » Détails des transactions: IBAN, montant etc. O p e n S e c C o n s u l t i n g Principe de détection AppAppApp « Profile client » Habitudes de navigation ET de transaction Détection: en cas de campagne d’attaque connue ou lorsqu’une connexion ne correspond pas aux habitudes dans le profile utilisateur, une alerte est constituée.
- 11. 11 © OpenSec Consulting • Introduction • Contexte de la menace • Principe de détection • Retour d’expérience • Facteurs clés • Conclusion O p e n S e c C o n s u l t i n g Sommaire
- 12. 12 © OpenSec Consulting Applications clients Acquisition & traitement O p e n S e c C o n s u l t i n g Retour d’expérience: approche historique AppAppApp Collecte par fichiers plats Spécifications techniques aux MOE pour produire des logs structurés (depuis 2010) ETL Base de données + Référentiels Analystes Détection Investigation Requêtes SQL ~ Go / jour Surcharge de la DB (2014)
- 13. 13 © OpenSec Consulting O p e n S e c C o n s u l t i n g Retour d’expérience: approche Big Data propriétaire Collecte par fichiers plats ETL Base de données + Référentiels Analystes Détection Investigation Tableau de bord (IHM) + Splunk Query Langage ~ Go / jour Cluster Splunk Pas de modélisation IHM limitées Pas de temps réel (2015) Données de navigation Données bancaires Alertes + Profiles
- 14. 14 © OpenSec Consulting Applications clients Acquisition & traitement O p e n S e c C o n s u l t i n g Retour d’expérience: approche Big Data hybride AppAppApp Collecte des logs bruts via syslog (depuis 2016) Stack Big Data ~ 10 Go / jour IHM limitées Pas de temps réel (2016) Hunk Spark (Batch) Kafka Analystes Détection Investigation Tableau de bord (IHM) + Splunk Query Langage Alertes Profiles Modèle de ML + Score
- 15. 15 © OpenSec Consulting O p e n S e c C o n s u l t i n g Retour d’expérience: approche Big Data Open Source Analystes Détection Investigation Tableau de bord (IHM) + investigation Web App Stack Big Data API Spark (Batch + TR) Kafka Données de navigation Données bancaires Alertes Profiles Pas de temps réel (2017) Modèle de ML + Score
- 16. 16 © OpenSec Consulting O p e n S e c C o n s u l t i n g Retour d’expérience: approche Big Data Temps Réel Analystes Détection Investigation Tableau de bord (IHM) + investigation Web App Stack Big Data API Spark (Batch + TR) Kafka Données de navigation Données bancaires Alertes Profiles Navigation Acquisition Initialisation du profile Score (< 100ms) Traitement Interbancaire « Instant Payment » pour clients particuliers exécuté en moins de 10 secondes avec 100ms pour le contrôle anti-fraude
- 17. 17 © OpenSec Consulting • Introduction • Contexte de la menace • Principe de détection • Retour d’expérience • Facteurs clés • Conclusion O p e n S e c C o n s u l t i n g Sommaire
- 18. 18 © OpenSec Consulting O p e n S e c C o n s u l t i n g Facteurs clés: approche par Cas d’Usage 34 21 Développement • Gestion de version du code • Environnements homogènes (version) • Cycle de développement : PoC / Prototype / Pilote / Production Industrialisation • Environnements avec chaine de CI/CD • Qualité et assurance (QA) Data Science • Catalogue de données • Echantillon représentatifs • Outils et environnements dédiés • Validation des modèles Vision • Porter de fortes convictions de changement • Définir des objectifs ambitieux • Communiquer et fédérer Pouvoir de détection Faux Positifs
- 19. 19 © OpenSec Consulting • Introduction • Contexte de la menace • Principe de détection • Retour d’expérience • Facteurs clés • Conclusion O p e n S e c C o n s u l t i n g Sommaire
- 20. 20 © OpenSec Consulting Détection de fraudes Management Expert sécurité Data Science Big Data Vision En synthèse Capacité de mobiliser des équipes pluridisciplinaires dans le temps. Être pragmatique: commencer petit et apprendre en marchant. Développer l’expertise sur ses données. Maîtriser les outils et technologies choisies. O p e n S e c C o n s u l t i n g Conclusion